Zonas Metropolitanas 2015

Movilidad laboral 2015

Encuesta Intercensal 2015

La Encuesta Intercensal se guarda en un un archivo _Base 2020.RData.

data <- read_sav("~/Persona.-Encuesta Intercensal 2015.sav")

save(data, 
      file = paste0(here::here(), "/Bases/Encuesta Intercensal_2015.RData"))

Se seleccionan las variables que se desean conservar para la realización de este documento y se guarda en un archivo _Base 2020.RData para practicidad del manejo de datos.

load(paste0(here::here(), "/Bases/Encuesta Intercensal_2015.RData"))

mydata <- data %>%
           select(CVE_ENT, NOM_ENT, MUN, NOM_MUN, ENT_MUN, ENT_PAIS_NAC, ENT_PAIS_RES10, ENT_MUN_RES_2010,
                  ENT_PAIS_TRAB, MUN_TRAB, ENT_MUN_TRAB, ENT_PAIS_ASI, MUN_ASI, ENT_MUN_ASI_ESC,
                  EDAD, SEXO, AFRODES, HLENGUA, QDIALECT_INALI, PERTE_INDIGENA, ALFABET, SITUA_CONYUGAL, 
                  HIJOS_NAC_VIVOS, CONACT, OCUPACION_C, SITUACION_TRAB, VACACIONES, SERVICIO_MEDICO, INCAP_SUELDO, 
                  INGTRMEN, ACTIVIDADES_C, TIE_TRASLADO_TRAB,  MED_TRASLADO_TRAB1, MED_TRASLADO_TRAB2, MED_TRASLADO_TRAB3, 
                  ASISTEN, NIVACAD, ESCOLARI, ESCOACUM, TIE_TRASLADO_ESCU, MED_TRASLADO_ESC1, MED_TRASLADO_ESC2, 
                  MED_TRASLADO_ESC3, FACTOR, ESTRATO, UPM) %>%
            rename("CVE_MUN" = "ENT_MUN",
                   "CVE_MUN_ASI" = "ENT_MUN_ASI_ESC",
                   "CVE_MUN_TRABAJO" = "ENT_MUN_TRAB",
                   "CVE_MUN_RES" = "ENT_MUN_RES_2010")

Zonas Metropolitanas 2020

Se anexa la base de datos de las Zonas Metropolitanas 2020 a la base orginal

ZM_2020 <- read.xlsx(paste0(here::here(), "/Bases/Municipio/ZM_2020_Base 2020.xlsx"), 
                      startRow = 7, 
                       skipEmptyRows = TRUE) %>%
            select(CVE_ZM, NOM_ZM, CVE_ENT, NOM_ENT, CVE_MUN, NOM_MUN, MC, CF) %>%
             mutate(CVE_ENT = stringr::str_pad(.$CVE_ENT, width = 3, side = c("left"), pad = "0"),
                    CVE_MUN = stringr::str_pad(.$CVE_MUN, width = 6, side = c("left"), pad = "0"))

Se asignan las claves de las zonas metropolitanas de acuerdo a las diferentes variables de interes:

• Residencia hace 5 años

• Laboral

• Estudiantil

mydata <- mydata %>%
           # Zonas Metropolitanas por residenicia
           left_join(., ZM_2020 %>% select(-CVE_ENT), by = c("CVE_MUN")) %>%
            # Zonas Metropolitanas en el lugar de residencia hace 5 años
            left_join(., ZM_2020 %>% select(-CVE_ENT) %>% 
                           rename("CVE_ZM_RES" = "CVE_ZM",
                                  "ZM_RES" = "NOM_ZM"), by = c("CVE_MUN_RES" = "CVE_MUN")) %>%
             # Zonas Metropolitanas en el lugar de trabajo
             left_join(., ZM_2020 %>% select(-CVE_ENT) %>% 
                             rename("CVE_ZM_TRABAJO" = "CVE_ZM",
                                    "ZM_TRABAJO" = "NOM_ZM"), by = c("CVE_MUN_TRABAJO" = "CVE_MUN")) %>%
              # Zonas Metropolitanas en el lugar de estudio
              left_join(., ZM_2020 %>% select(-CVE_ENT) %>% 
                            rename("CVE_ZM_ASI" = "CVE_ZM",
                                   "ZM_ASI" = "NOM_ZM"), by = c("CVE_MUN_ASI" = "CVE_MUN"))

save(mydata, file = paste0(here::here(), "/Bases/06_Migracion por Zonas Metropolitanas_2015_Base 2020.RData"))          

✔️A partir de aquí se pueden correr los códidos 👇.

Se carga el archivo Migracion por Zonas Metropolitanas_2015_Base 2020.RData.

load(file = paste0(here::here(), "/Bases/06_Migracion por Zonas Metropolitanas_2015_Base 2020.RData"))

# Para fines prácticos se genera un ponderador de uno 
mydata <- mydata %>%
           select(CVE_ENT, NOM_ENT, MUN, CVE_MUN, NOM_MUN, ENT_PAIS_TRAB, MUN_TRAB, CVE_MUN_TRABAJO, 
                  EDAD, CONACT, CVE_ZM, NOM_ZM, CVE_ZM_TRABAJO, ZM_TRABAJO, FACTOR, ESTRATO, UPM) %>%
           mutate(M = 1)

# Se vuelve a cargar la base de datos para fines practicos
ZM_2020 <- read.xlsx(paste0(here::here(), "/Bases/Municipio/ZM_2020.xlsx"), 
                      startRow = 7, 
                       skipEmptyRows = TRUE) %>%
            select(CVE_ZM, NOM_ZM, CVE_ENT, NOM_ENT, CVE_MUN, NOM_MUN, MC, CF) %>%
             mutate(CVE_ENT = stringr::str_pad(.$CVE_ENT, width = 3, side = c("left"), pad = "0"),
                    CVE_MUN = stringr::str_pad(.$CVE_MUN, width = 6, side = c("left"), pad = "0"))

Entidades y Municipios

Se genera un vector con el nombre de las entidades llamado estados para facilitar los filtros en el documento.
Se genera un vector con las abreviaturas de las entidades llamado ent para fines prácticos.
Se genera un vector con las claves de los municipios, pero es importante hacer notar que tres municipios no entraron el muestreo del Cuestionario Ampliado.

# Claves de los estados
estados <- sjlabelled::get_labels(mydata$CVE_ENT)

nom_estados <- c( "Aguascalientes", "Baja California" ,"Baja California Sur", "Campeche", "Coahuila de Zaragoza",
                  "Colima", "Chiapas", "Chihuahua", "Ciudad de México", "Durango", "Guanajuato", "Guerrero", "Hidalgo",
                  "Jalisco", "México", "Michoacán de Ocampo", "Morelos", "Nayarit", "Nuevo León", "Oaxaca", "Puebla", 
                  "Querétaro", "Quintana Roo", "San Luis Potosí", "Sinaloa", "Sonora", "Tabasco", "Tamaulipas", "Tlaxcala", 
                  "Veracruz de Ignacio de la Llave", "Yucatán", "Zacatecas")

est <- c("AGS", "BC", "BCS", "CAMP", "COAH", "COL", "CHIS", "CHIH", "CDMX", "DGO", "GTO", "GRO", "HGO",
         "JAL", "MEX", "MICH", "MOR", "NAY", "NL", "OAX", "PUE", "QRO", "QROO", "SLP","SIN","SON", "TAB", 
         "TAMS", "TLX", "VER", "YUC", "ZAC")

# Claves de los municipios
MUN <- readRDS(paste0(here::here(), "/Bases/municipios_2015.RDS"))
nom_municipios <- sjlabelled::get_labels(MUN$NOM_MUN) %>% as.factor()
municipios <- sjlabelled::get_labels(MUN$CVE_MUN) %>% as.factor()
#saveRDS(MUN, file = paste0(here::here(), "/Bases/municipios_2015.RDS"))

# Claves de las zonas metropolitanas
zm <- sjlabelled::get_labels(mydata$CVE_ZM)[-2]
nom_zm <- sjlabelled::get_labels(mydata$NOM_ZM)[-2]

Movilidad laboral

Movilidad interna

Matrices

Se utiliza la paquetería survey para poder trabajar con la muestra del cuestionario ampliado, en la cual se selecciona a la población de 15 años y más.

options(survey.lonely.psu = "adjust")

MC <- mydata %>%
      select(CVE_ENT, NOM_ENT, MUN, CVE_MUN, NOM_MUN, ENT_PAIS_TRAB, MUN_TRAB, CVE_MUN_TRABAJO, 
              EDAD, CONACT, CVE_ZM, NOM_ZM, CVE_ZM_TRABAJO, ZM_TRABAJO, FACTOR, ESTRATO, UPM) %>%
        # Se genera una indicadora de zm 
        mutate(I_ZM_2020 = ifelse(is.na(.$CVE_ZM), '0', '1'),
               I_TRAB_ZM_2020 = ifelse(is.na(.$CVE_ZM_TRABAJO), '0', '1')) %>%
        # Se clasifican a los migrantes internos 
        mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_TRABAJO ~ 'Pertenecen a la Zona Metropolitana', #Trabajan en el mismo municipio
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM == .$CVE_ZM_TRABAJO ~ "Pertenecen a la Zona Metropolitana", #Trabajan en otro municipio dentro de la misma zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM != .$CVE_ZM_TRABAJO ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio pero de otra zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio que no pertenece a la zona metropolitana pero viven en una ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Entran a trabajar a la zona metropolitana pero no pertecen a la ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Trabajan en otro municipio que no es ZM y no residen en una ZM
                                )) %>%
         filter((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
          filter(CVE_MUN_TRABAJO %in% municipios) %>%
           svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)

#MC %>%
 #group_by(I_ZM) %>%
  #summarise(Total = format(sum(FACTOR), big.mark   = " ", scientific = FALSE))

saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_municipal_Base 2020.RDS"))

MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_municipal_Base 2020.RDS"))

Migrantes <- svytable(~CVE_MUN_TRABAJO + CVE_MUN, design = MC)

Se genera la matriz cuadrada y se le asignan las etiquetas de municipios.

Migrantes <- Migrantes %>%
              as.data.frame() %>%
               expss::cross_cases(CVE_MUN, CVE_MUN_TRABAJO, weight = Freq) %>%
                as.data.frame() %>%
                 rename("CVE_MUN" = "row_labels") %>% 
                  arrange(CVE_MUN) %>%
                   slice(-1) 
            
rownames <- Migrantes %>% 
             mutate(CVE_MUN = substr(.$CVE_MUN, 9, 16)) %>% 
              pull(CVE_MUN)

colnames <- names(Migrantes) %>% 
             as.data.frame() %>% 
              slice(-1) %>% 
               rename("CVE_MUN" = ".") %>%
                mutate(`CVE_MUN` = substr(.$CVE_MUN, 17, 22)) %>%
                 pull(CVE_MUN)

# Se elimina la variable CVE_MUN
Migrantes <- Migrantes %>%
              select(-CVE_MUN)

rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames

saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel municipal 2015_Base 2020.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel municipal 2015_Base 2020.RData"))

require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Reciente")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_MUN"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel municipal 2015_Base 2020.xlsx"), overwrite = TRUE)

Matriz de movilidad laboral a nivel municipal, 2015

Matriz de movilidad laboral por zonas metropolitanas
Nivel municipal
CVE_MUN	001001	001002	001003	001004	001005	001006	001007	001008	001009	001010	001011	002001	002002	002003	002004	002005	003001	003002	003003	003008	003009	004001	004002	004003	004004	004005	004006	004007	004008
001001	349088	325	586	0	3322	613	558	31	87	369	3201	0	0	0	70	0	0	0	0	51	0	0	0	12	0	0	0	0	0
001002	2809	8687	10	4	64	172	46	3	72	50	322	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001003	223	0	18721	0	57	0	0	0	0	0	3	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001004	615	0	1	2679	115	27	247	4	25	0	538	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001005	16934	42	282	29	28940	138	147	63	37	27	1963	0	0	0	8	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001006	2288	111	15	17	673	9232	531	43	237	8	2696	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001007	2131	63	30	236	410	337	11655	34	210	8	1417	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001008	407	3	3	3	41	73	32	2071	2	4	112	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001009	794	55	12	8	102	244	490	13	3714	2	671	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001010	1867	66	14	2	20	4	4	0	2	3561	40	0	0	0	2	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001011	4375	54	18	3	870	400	98	26	30	10	10829	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
002001	0	0	0	0	0	0	0	0	0	0	0	200010	146	145	412	95	0	72	0	53	0	0	2	0	0	0	0	0	0
002002	0	0	0	0	0	0	0	0	0	0	0	107	392362	115	329	0	0	25	0	29	0	0	0	0	0	0	0	0	0
002003	0	0	0	0	0	0	0	0	0	0	0	52	87	37725	990	41	0	0	0	0	0	0	0	0	0	0	0	0	0
002004	0	0	0	0	0	0	0	0	0	0	0	564	274	1487	664036	2991	0	0	27	42	0	0	19	0	0	0	0	0	0
002005	0	0	0	0	0	0	0	0	0	0	0	145	19	25	4620	31195	0	0	24	0	0	0	0	0	0	0	0	0	0
003001	0	0	0	0	0	0	0	0	0	0	0	12	0	0	6	0	28386	25	121	31	64	0	6	0	0	0	0	0	0
003002	0	0	0	0	0	0	0	0	0	0	0	58	0	0	0	0	0	23932	16	5	0	0	0	0	0	0	0	0	0
003003	0	0	0	0	0	0	0	0	0	0	0	15	0	0	33	0	154	169	119392	753	15	0	0	0	0	0	0	0	0
003008	13	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	26	472	132246	0	0	0	0	0	0	0	0	0
003009	0	0	0	0	0	0	0	0	0	0	0	0	0	0	2	0	21	21	14	4	7614	0	0	0	0	0	0	0	0
004001	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	15525	1160	343	210	182	118	5	57
004002	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	56	117769	1071	765	227	169	68	122
004003	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	164	99583	30	0	0	16	0
004004	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	35	1153	655	33436	2	11	18	12
004005	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	180	1181	311	104	8214	37	17	270
004006	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	43	401	59	43	6	12405	3	39
004007	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	62	0	0	0	2943	0
004008	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	15	669	31	15	40	14	1	3196
004009	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	113	278	52	0	1	3	0
Fuente: Estimaciones del CONAPO.

Indicadores

Se realizan cálculos generales de migración:

• Residentes

• Inmigrantes

• Emigrantes

• % Inmigrantes

• % Emigrante

• Migración bruta

• Migración Neta

• % Tasa de migración bruta

• % Tasa de migración neta

################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
              as.data.frame() %>%
               group_by(CVE_MUN) %>%
                summarise(Pob.Total = sum(FACTOR)) 

################################################################################
###################### Población de 15 años y más ##############################
Pob.ocupada <- mydata %>%
                as.data.frame() %>%
                 mutate(EDAD = as.numeric(.$EDAD)) %>%
                  subset((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
                   group_by(CVE_MUN) %>%
                    summarise(Pob.ocupada = sum(FACTOR)) 

################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel municipal 2015_Base 2020.RData"))

Residentes <- Migrantes %>%
               rownames_to_column() %>%
                gather(CVE_MUN, Value, -rowname)%>%
                 filter(rowname == CVE_MUN) %>%
                  select(-rowname) %>%
                   droplevels() %>%
                    rename("Residentes" = "Value") 

################################################################################
############################### Inmigrantes ####################################

## Población que sale de su entidad de residencia y entra a otra demarcación por motivos de trabajo
Inmigrantes <- Migrantes %>% 
                as.data.frame() %>%
                 tibble::rownames_to_column(var = "CVE_MUN") %>%
                  melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                   mutate_at(vars(3), as.numeric) %>%
                    as_tibble() %>%
                     filter(CVE_MUN != CVE_MUN_TRABAJO) %>%
                      group_by(CVE_MUN) %>%
                       summarise(Inmigrantes = sum(value, na.rm = TRUE))

################################################################################
############################### Emigrantes #####################################

## Población que entra a la entidad para trabajar
Emigrantes <- Migrantes %>% 
               as.data.frame() %>%
                tibble::rownames_to_column(var = "CVE_MUN") %>%
                 melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                  mutate_at(vars(3), as.numeric) %>%
                   as_tibble() %>%
                    filter(CVE_MUN != CVE_MUN_TRABAJO) %>%
                     group_by(CVE_MUN_TRABAJO) %>%
                      summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
                       rename("CVE_MUN" = "CVE_MUN_TRABAJO") 

tabla <- Pob.Total %>%
          left_join(., Pob.ocupada, by = c("CVE_MUN")) %>%
          left_join(., Residentes, by = c("CVE_MUN")) %>%
          left_join(., Inmigrantes, by = c("CVE_MUN")) %>%
          left_join(., Emigrantes, by = c("CVE_MUN")) %>%
           mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
                  Mig.Bruta = .$Inmigrantes + .$Emigrantes, 
                  Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Mig = Tasa.Inmig - Tasa.Emig, 
                  Eficacia = Mig.Neta - Mig.Bruta)

write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Municipal)_Base 2020.xlsx"), overwrite = TRUE)

save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Municipal)_Base 2020.RData"))

Indicadores de movilidad laboral a nivel municipal
Zonas Metropolitanas
CVE_MUN	Pob.Total	Pob.ocupada	Residentes	Inmigrantes	Emigrantes	Mig.Neta	Mig.Bruta	Tasa.Inmig	Tasa.Emig	Tasa.Mig	Eficacia
001001	877 190	382 550	349 088	14 667	42 159	−27 492	56 826	4.66	13.39	−8.7	−84 318
001002	46 464	13 914	8 687	4 146	1 290	2 856	5 436	27.47	8.55	18.9	−2 580
001003	56 048	20 099	18 721	405	1 232	−827	1 637	2.13	6.47	−4.3	−2 464
001004	15 577	4 869	2 679	1 873	445	1 428	2 318	36.64	8.71	27.9	−890
001005	120 405	51 020	28 940	20 201	5 798	14 403	25 999	47.14	13.53	33.6	−11 596
001006	46 473	16 904	9 232	6 811	2 037	4 774	8 848	42.99	12.86	30.1	−4 074
001007	53 866	17 891	11 655	5 235	2 380	2 855	7 615	29.18	13.27	15.9	−4 760
001008	8 896	2 994	2 071	695	219	476	914	23.38	7.37	16.0	−438
001009	20 926	6 446	3 714	2 463	731	1 732	3 194	35.99	10.68	25.3	−1 462
001010	20 245	6 276	3 561	2 164	519	1 645	2 683	32.64	7.83	24.8	−1 038
001011	46 454	17 729	10 829	6 041	11 207	−5 166	17 248	37.65	69.84	−32.2	−22 414
002001	486 639	210 634	200 010	1 067	1 474	−407	2 541	0.61	0.85	−0.2	−2 948
002002	988 417	429 396	392 362	2 215	4 062	−1 847	6 277	0.62	1.15	−0.5	−8 124
002003	102 406	42 851	37 725	1 207	1 832	−625	3 039	3.32	5.04	−1.7	−3 664
002004	1 641 570	741 226	664 036	6 388	8 581	−2 193	14 969	1.07	1.44	−0.4	−17 162
002005	96 734	39 695	31 195	4 954	3 133	1 821	8 087	14.52	9.19	5.3	−6 266
003001	72 564	29 698	28 386	290	180	110	470	1.13	0.70	0.4	−360
003002	60 171	25 292	23 932	96	491	−395	587	0.45	2.30	−1.8	−982
003003	272 711	125 680	119 392	1 473	1 409	64	2 882	1.48	1.41	0.1	−2 818
003008	287 671	137 887	132 246	804	2 024	−1 220	2 828	0.76	1.90	−1.1	−4 048
Fuente: Estimaciones del CONAPO.

Movilidad intramunicipal

Matrices

Se utiliza la paquetería survey para poder trabajar con la muestra del cuestionario ampliado, en la cual se selecciona a la población de 15 años y más.

options(survey.lonely.psu = "adjust")

MC <- mydata %>%
      select(CVE_ENT, NOM_ENT, MUN, CVE_MUN, NOM_MUN, ENT_PAIS_TRAB, MUN_TRAB, CVE_MUN_TRABAJO, 
              EDAD, CONACT, CVE_ZM, NOM_ZM, CVE_ZM_TRABAJO, ZM_TRABAJO, FACTOR, ESTRATO, UPM) %>%
        # Se genera una indicadora de zm 
        mutate(I_ZM_2020 = ifelse(is.na(.$CVE_ZM), '0', '1'),
               I_TRAB_ZM_2020 = ifelse(is.na(.$CVE_ZM_TRABAJO), '0', '1')) %>%
        # Se clasifican a los migrantes internos 
        mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_TRABAJO ~ 'Pertenecen a la Zona Metropolitana', #Trabajan en el mismo municipio
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM == .$CVE_ZM_TRABAJO ~ "Pertenecen a la Zona Metropolitana", #Trabajan en otro municipio dentro de la misma zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM != .$CVE_ZM_TRABAJO ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio pero de otra zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio que no pertenece a la zona metropolitana pero viven en una ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Entran a trabajar a la zona metropolitana pero no pertecen a la ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Trabajan en otro municipio que no es ZM y no residen en una ZM
                                )) %>%
         filter((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
          filter(CVE_MUN_TRABAJO %in% municipios & .$I_ZM %in% "Pertenecen a la Zona Metropolitana") %>%
           svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)

saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_intramunicipal_Base 2020.RDS"))

Se genera una matriz cruzada del lugar de residencia a nivel municipal, utilizando la función svytable de la paquetería survey.

MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_intramunicipal_Base 2020.RDS"))

Migrantes <- svytable(~CVE_MUN_TRABAJO + CVE_MUN, design = MC)

Se genera la matriz cuadrada y se le asignan las etiquetas de municipios.

Migrantes <- Migrantes %>%
              as.data.frame() %>%
               expss::cross_cases(CVE_MUN, CVE_MUN_TRABAJO, weight = Freq) %>%
                as.data.frame() %>%
                 rename("CVE_MUN" = "row_labels") %>% 
                  arrange(CVE_MUN) %>%
                   slice(-1) 
            
rownames <- Migrantes %>% 
             mutate(CVE_MUN = substr(.$CVE_MUN, 9, 16)) %>% 
              pull(CVE_MUN)

colnames <- names(Migrantes) %>% 
             as.data.frame() %>% 
              slice(-1) %>% 
               rename("CVE_MUN" = ".") %>%
                mutate(`CVE_MUN` = substr(.$CVE_MUN, 17, 22)) %>%
                 pull(CVE_MUN)

# Se elimina la variable CVE_MUN
Migrantes <- Migrantes %>%
              select(-CVE_MUN)

rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames

saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel intramunicipal 2015_Base 2020.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel intramunicipal 2015_Base 2020.RData"))

require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Intramunicipal")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_MUN"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel intramunicipal 2015_Base 2020.xlsx"), overwrite = TRUE)

Matriz de movilidad laboral a nivel municipal, 2015

Matriz de movilidad laboral por zonas metropolitanas
Nivel intramunicipal
CVE_MUN	001001	001002	001003	001004	001005	001006	001007	001008	001009	001010	001011	002001	002002	002003	002004	002005	003001	003002	003003	003008	003009	004001	004002	004003	004004	004005	004006	004007	004008
001001	349088	0	0	0	3322	0	0	0	0	0	3201	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001002	0	8687	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001003	0	0	18721	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001004	0	0	0	2679	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001005	16934	0	0	0	28940	0	0	0	0	0	1963	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001006	0	0	0	0	0	9232	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001007	0	0	0	0	0	0	11655	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001008	0	0	0	0	0	0	0	2071	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001009	0	0	0	0	0	0	0	0	3714	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001010	0	0	0	0	0	0	0	0	0	3561	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001011	4375	0	0	0	870	0	0	0	0	0	10829	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
002001	0	0	0	0	0	0	0	0	0	0	0	2e+05	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
002002	0	0	0	0	0	0	0	0	0	0	0	0	392362	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
002003	0	0	0	0	0	0	0	0	0	0	0	0	0	37725	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
002004	0	0	0	0	0	0	0	0	0	0	0	0	0	0	664036	2991	0	0	0	0	0	0	0	0	0	0	0	0	0
002005	0	0	0	0	0	0	0	0	0	0	0	0	0	0	4620	31195	0	0	0	0	0	0	0	0	0	0	0	0	0
003001	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	28386	0	0	0	0	0	0	0	0	0	0	0	0
003002	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	23932	0	0	0	0	0	0	0	0	0	0	0
003003	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	119392	0	0	0	0	0	0	0	0	0	0
003008	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	132246	0	0	0	0	0	0	0	0	0
003009	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	7614	0	0	0	0	0	0	0	0
004001	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	15525	0	0	0	0	0	0	0
004002	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	117769	0	0	0	0	0	0
004003	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	99583	0	0	0	0	0
004004	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	33436	0	0	0	0
004005	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	8214	0	0	0
004006	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	12405	0	0
004007	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	2943	0
004008	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	3196
004009	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
Fuente: Estimaciones del CONAPO.

Matrices por zonas metropolitanas

MR <- NULL
for(i in 1:length(zm)){
tabla <- ZM_2020 %>%
          filter(CVE_MUN %in% municipios) %>%
           select(CVE_ZM, CVE_MUN) %>%
            filter(CVE_ZM %in% zm[i]) %>%
             pull(CVE_MUN)

MR[[paste0(zm[i])]] <- Migrantes %>%
                        as.data.frame() %>%
                         tibble::rownames_to_column(var = "CVE_MUN") %>%
                          mutate_if(is.numeric, as.numeric) %>%
                           select(CVE_MUN, tabla) %>%
                            filter(CVE_MUN %in% tabla)
}

# Se guardan en un objeto de R 
saveRDS(MR, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matrices de MTrab a nivel intramunicipal por ZM2015_Base 2020.RDS"))

# Se genera un Excel con todas las matrices por ZM
wb <- createWorkbook()
for(i in 1:length(zm)){
addWorksheet(wb, paste0(zm[i]))
writeData(wb, i, MR[[paste0(zm[i])]] %>% as.data.frame())
saveWorkbook(wb, 
              file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matrices de MTrab a nivel intramunicipal por ZM2015_Base 2020.xlsx"), 
               overwrite = TRUE)
}

Matriz de movilidad laboral en la Zona Metropolitana de Cuernavaca, 2015

Matriz de movilidad laboral a nivel intramunicipal
Zona Metropolitana de Cuernavaca
CVE_MUN	017007	017008	017009	017011	017018	017020	017028	017029
017007	146533	1023	98	2951	1266	256	414	642
017008	8547	23735	19	4755	1598	0	884	177
017009	1580	25	5588	104	21	31	14	7
017011	25185	2010	82	60814	1041	202	659	560
017018	12941	981	30	1375	26679	16	1024	84
017020	3371	64	9	1769	48	13094	28	533
017028	5460	739	12	662	1857	17	15892	56
017029	2685	116	0	1466	83	404	51	31759
Fuente: Estimaciones del CONAPO.

Indicadores

Se realizan cálculos generales de migración:

• Residentes

• Inmigrantes

• Emigrantes

• % Inmigrantes

• % Emigrante

• Migración bruta

• Migración Neta

• % Tasa de migración bruta

• % Tasa de migración neta

################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
              as.data.frame() %>%
               group_by(CVE_MUN) %>%
                summarise(Pob.Total = sum(FACTOR)) 

################################################################################
##################### Población de 15 años y más ###############################
Pob.ocupada <- mydata %>%
              as.data.frame() %>%
               mutate(EDAD = as.numeric(.$EDAD)) %>%
                subset((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
                 group_by(CVE_MUN) %>%
                  summarise(Pob.ocupada = sum(FACTOR)) 

################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel intramunicipal 2015_Base 2020.RData"))

Residentes <- Migrantes %>%
               rownames_to_column() %>%
                gather(CVE_MUN, Value, -rowname)%>%
                 filter(rowname == CVE_MUN) %>%
                  select(-rowname) %>%
                   droplevels() %>%
                    rename("Residentes" = "Value") 

################################################################################
############################### Inmigrantes ####################################

## Población que sale de su entidad de residencia y entra a otra demarcación por motivos de trabajo
Inmigrantes <- Migrantes %>% 
                as.data.frame() %>%
                 tibble::rownames_to_column(var = "CVE_MUN") %>%
                  melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                   mutate_at(vars(3), as.numeric) %>%
                    as_tibble() %>%
                     filter(CVE_MUN != CVE_MUN_TRABAJO) %>%
                      group_by(CVE_MUN) %>%
                       summarise(Inmigrantes = sum(value, na.rm = TRUE))

################################################################################
############################### Emigrantes #####################################

## Población que entra a la entidad para trabajar
Emigrantes <- Migrantes %>% 
               as.data.frame() %>%
                tibble::rownames_to_column(var = "CVE_MUN") %>%
                 melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                  mutate_at(vars(3), as.numeric) %>%
                   as_tibble() %>%
                    filter(CVE_MUN != CVE_MUN_TRABAJO) %>%
                     group_by(CVE_MUN_TRABAJO) %>%
                      summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
                       rename("CVE_MUN" = "CVE_MUN_TRABAJO") 

tabla <- Pob.Total %>%
          left_join(., Pob.ocupada, by = c("CVE_MUN")) %>%
          left_join(., Residentes, by = c("CVE_MUN")) %>%
          left_join(., Inmigrantes, by = c("CVE_MUN")) %>%
          left_join(., Emigrantes, by = c("CVE_MUN")) %>%
           mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
                  Mig.Bruta = .$Inmigrantes + .$Emigrantes, 
                  Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Mig = Tasa.Inmig - Tasa.Emig, 
                  Eficacia = Mig.Neta - Mig.Bruta)

write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Intramunicipal)_Base 2020.xlsx"), overwrite = TRUE)

save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Intramunicipal)_Base 2020.RData"))

Indicadores de movilidad laboral a nivel intramunicipal
Zonas Metropolitanas
CVE_MUN	Pob.Total	Pob.ocupada	Residentes	Inmigrantes	Emigrantes	Mig.Neta	Mig.Bruta	Tasa.Inmig	Tasa.Emig	Tasa.Mig	Eficacia
001001	877 190	382 550	349 088	6 523	21 309	−14 786	27 832	2.1	6.77	−4.7	−42 618
001002	46 464	13 914	8 687	0	0	0	0	0.0	0.00	0.0	0
001003	56 048	20 099	18 721	0	0	0	0	0.0	0.00	0.0	0
001004	15 577	4 869	2 679	0	0	0	0	0.0	0.00	0.0	0
001005	120 405	51 020	28 940	18 897	4 192	14 705	23 089	44.1	9.78	34.3	−8 384
001006	46 473	16 904	9 232	0	0	0	0	0.0	0.00	0.0	0
001007	53 866	17 891	11 655	0	0	0	0	0.0	0.00	0.0	0
001008	8 896	2 994	2 071	0	0	0	0	0.0	0.00	0.0	0
001009	20 926	6 446	3 714	0	0	0	0	0.0	0.00	0.0	0
001010	20 245	6 276	3 561	0	0	0	0	0.0	0.00	0.0	0
001011	46 454	17 729	10 829	5 245	5 164	81	10 409	32.7	32.18	0.5	−10 328
002001	486 639	210 634	200 010	0	0	0	0	0.0	0.00	0.0	0
002002	988 417	429 396	392 362	0	0	0	0	0.0	0.00	0.0	0
002003	102 406	42 851	37 725	0	0	0	0	0.0	0.00	0.0	0
002004	1 641 570	741 226	664 036	2 991	4 620	−1 629	7 611	0.5	0.78	−0.3	−9 240
002005	96 734	39 695	31 195	4 620	2 991	1 629	7 611	13.5	8.77	4.8	−5 982
003001	72 564	29 698	28 386	0	0	0	0	0.0	0.00	0.0	0
003002	60 171	25 292	23 932	0	0	0	0	0.0	0.00	0.0	0
003003	272 711	125 680	119 392	0	0	0	0	0.0	0.00	0.0	0
003008	287 671	137 887	132 246	0	0	0	0	0.0	0.00	0.0	0
Fuente: Estimaciones del CONAPO.

Migración intermunicipal

Se utiliza la paquetería survey para poder trabajar con la muestra del cuestionario ampliado, en la cual se selecciona a la población de 15 años y más.

options(survey.lonely.psu = "adjust")

MC <- mydata %>%
      select(CVE_ENT, NOM_ENT, MUN, CVE_MUN, NOM_MUN, ENT_PAIS_TRAB, MUN_TRAB, CVE_MUN_TRABAJO, 
              EDAD, CONACT, CVE_ZM, NOM_ZM, CVE_ZM_TRABAJO, ZM_TRABAJO, FACTOR, ESTRATO, UPM) %>%
        # Se genera una indicadora de zm 
        mutate(I_ZM_2020 = ifelse(is.na(.$CVE_ZM), '0', '1'),
               I_TRAB_ZM_2020 = ifelse(is.na(.$CVE_ZM_TRABAJO), '0', '1')) %>%
        # Se clasifican a los migrantes internos 
        mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_TRABAJO ~ 'Pertenecen a la Zona Metropolitana', #Trabajan en el mismo municipio
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM == .$CVE_ZM_TRABAJO ~ "Pertenecen a la Zona Metropolitana", #Trabajan en otro municipio dentro de la misma zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM != .$CVE_ZM_TRABAJO ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio pero de otra zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio que no pertenece a la zona metropolitana pero viven en una ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Entran a trabajar a la zona metropolitana pero no pertecen a la ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Trabajan en otro municipio que no es ZM y no residen en una ZM
                                )) %>%
         filter((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
          filter(CVE_MUN_TRABAJO %in% municipios & .$I_ZM %in% "No pertenecen a la Zona Metropolitana") %>%
           svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)

saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_intermunicipal_Base 2020.RDS"))

Matrices

Se genera una matriz cruzada del lugar de residencia a nivel municipal, utilizando la función svytable de la paquetería survey.

MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_intermunicipal_Base 2020.RDS"))

Migrantes <- svytable(~CVE_MUN_TRABAJO + CVE_MUN, design = MC)

Se genera la matriz cuadrada y se le asignan las etiquetas de municipios.

Migrantes <- Migrantes %>%
              as.data.frame() %>%
               expss::cross_cases(CVE_MUN, CVE_MUN_TRABAJO, weight = Freq) %>%
                as.data.frame() %>%
                 rename("CVE_MUN" = "row_labels") %>% 
                  arrange(CVE_MUN) %>%
                   slice(-1) 
            
rownames <- Migrantes %>% 
             mutate(CVE_MUN = substr(.$CVE_MUN, 9, 16)) %>% 
              pull(CVE_MUN)

colnames <- names(Migrantes) %>% 
             as.data.frame() %>% 
              slice(-1) %>% 
               rename("CVE_MUN" = ".") %>%
                mutate(`CVE_MUN` = substr(.$CVE_MUN, 17, 22)) %>%
                 pull(CVE_MUN)

# Se elimina la variable CVE_MUN
Migrantes <- Migrantes %>%
              select(-CVE_MUN)

rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames

saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel intermunicipal 2015_Base 2020.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel intermunicipal 2015_Base 2020.RData"))

require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Intermunicipal")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_MUN"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel intermunicipal 2015_Base 2020.xlsx"), overwrite = TRUE)

Matriz de movilidad laboral a nivel municipal, 2015

Matriz de movilidad laboral por zonas metropolitanas
Nivel intermunicipal
CVE_MUN	001001	001002	001003	001004	001005	001006	001007	001008	001009	001010	001011	002001	002002	002003	002004	002005	003001	003002	003003	003008	003009	004001	004002	004003	004004	004005	004006	004007	004008
001001	0	325	586	0	0	613	558	31	87	369	0	0	0	0	70	0	0	0	0	51	0	0	0	12	0	0	0	0	0
001002	2809	0	10	4	64	172	46	3	72	50	322	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001003	223	0	0	0	57	0	0	0	0	0	3	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001004	615	0	1	0	115	27	247	4	25	0	538	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001005	0	42	282	29	0	138	147	63	37	27	0	0	0	0	8	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001006	2288	111	15	17	673	0	531	43	237	8	2696	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001007	2131	63	30	236	410	337	0	34	210	8	1417	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001008	407	3	3	3	41	73	32	0	2	4	112	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001009	794	55	12	8	102	244	490	13	0	2	671	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001010	1867	66	14	2	20	4	4	0	2	0	40	0	0	0	2	0	0	0	0	0	0	0	0	0	0	0	0	0	0
001011	0	54	18	3	0	400	98	26	30	10	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
002001	0	0	0	0	0	0	0	0	0	0	0	0	146	145	412	95	0	72	0	53	0	0	2	0	0	0	0	0	0
002002	0	0	0	0	0	0	0	0	0	0	0	107	0	115	329	0	0	25	0	29	0	0	0	0	0	0	0	0	0
002003	0	0	0	0	0	0	0	0	0	0	0	52	87	0	990	41	0	0	0	0	0	0	0	0	0	0	0	0	0
002004	0	0	0	0	0	0	0	0	0	0	0	564	274	1487	0	0	0	0	27	42	0	0	19	0	0	0	0	0	0
002005	0	0	0	0	0	0	0	0	0	0	0	145	19	25	0	0	0	0	24	0	0	0	0	0	0	0	0	0	0
003001	0	0	0	0	0	0	0	0	0	0	0	12	0	0	6	0	0	25	121	31	64	0	6	0	0	0	0	0	0
003002	0	0	0	0	0	0	0	0	0	0	0	58	0	0	0	0	0	0	16	5	0	0	0	0	0	0	0	0	0
003003	0	0	0	0	0	0	0	0	0	0	0	15	0	0	33	0	154	169	0	753	15	0	0	0	0	0	0	0	0
003008	13	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	26	472	0	0	0	0	0	0	0	0	0	0
003009	0	0	0	0	0	0	0	0	0	0	0	0	0	0	2	0	21	21	14	4	0	0	0	0	0	0	0	0	0
004001	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	1160	343	210	182	118	5	57
004002	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	56	0	1071	765	227	169	68	122
004003	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	164	0	30	0	0	16	0
004004	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	35	1153	655	0	2	11	18	12
004005	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	180	1181	311	104	0	37	17	270
004006	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	43	401	59	43	6	0	3	39
004007	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	62	0	0	0	0	0
004008	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	15	669	31	15	40	14	1	0
004009	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	113	278	52	0	1	3	0
Fuente: Estimaciones del CONAPO.

Indicadores

Se realizan cálculos generales de migración:

• Residentes

• Inmigrantes

• Emigrantes

• % Inmigrantes

• % Emigrante

• Migración bruta

• Migración Neta

• % Tasa de migración bruta

• % Tasa de migración neta

################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
              as.data.frame() %>%
               group_by(CVE_MUN) %>%
                summarise(Pob.Total = sum(FACTOR)) 

################################################################################
##################### Población de 15 años y más ###############################
Pob.ocupada <- mydata %>%
                as.data.frame() %>%
                 mutate(EDAD = as.numeric(.$EDAD)) %>%
                  subset((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
                   group_by(CVE_MUN) %>%
                    summarise(Pob.ocupada = sum(FACTOR)) 

################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel intermunicipal 2015_Base 2020.RData"))

Residentes <- Migrantes %>%
               rownames_to_column() %>%
                gather(CVE_MUN, Value, -rowname)%>%
                 filter(rowname == CVE_MUN) %>%
                  select(-rowname) %>%
                   droplevels() %>%
                    rename("Residentes" = "Value") 

################################################################################
############################### Inmigrantes ####################################

## Población que sale de su entidad de residencia y entra a otra demarcación por motivos de trabajo
Inmigrantes <- Migrantes %>% 
                as.data.frame() %>%
                 tibble::rownames_to_column(var = "CVE_MUN") %>%
                  melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                   mutate_at(vars(3), as.numeric) %>%
                    as_tibble() %>%
                     filter(CVE_MUN != CVE_MUN_TRABAJO) %>%
                      group_by(CVE_MUN) %>%
                       summarise(Inmigrantes = sum(value, na.rm = TRUE))

################################################################################
############################### Emigrantes #####################################

## Población que entra a la entidad para trabajar
Emigrantes <- Migrantes %>% 
               as.data.frame() %>%
                tibble::rownames_to_column(var = "CVE_MUN") %>%
                 melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                  mutate_at(vars(3), as.numeric) %>%
                   as_tibble() %>%
                    filter(CVE_MUN != CVE_MUN_TRABAJO) %>%
                     group_by(CVE_MUN_TRABAJO) %>%
                      summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
                       rename("CVE_MUN" = "CVE_MUN_TRABAJO") 

tabla <- Pob.Total %>%
          left_join(., Pob.ocupada, by = c("CVE_MUN")) %>%
          left_join(., Residentes, by = c("CVE_MUN")) %>%
          left_join(., Inmigrantes, by = c("CVE_MUN")) %>%
          left_join(., Emigrantes, by = c("CVE_MUN")) %>%
           mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
                  Mig.Bruta = .$Inmigrantes + .$Emigrantes, 
                  Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Mig = Tasa.Inmig - Tasa.Emig, 
                  Eficacia = Mig.Neta - Mig.Bruta)

write.xlsx(tabla, 
            file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Intermunicipal)_Base 2020.xlsx"), 
             overwrite = TRUE)

save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Intermunicipal)_Base 2020.RData"))

Indicadores de movilidad laboral a nivel intermunicipal
Zonas Metropolitanas
CVE_MUN	Pob.Total	Pob.ocupada	Residentes	Inmigrantes	Emigrantes	Mig.Neta	Mig.Bruta	Tasa.Inmig	Tasa.Emig	Tasa.Mig	Eficacia
001001	877 190	382 550	0	8 144	20 850	−12 706	28 994	2.59	6.62	−4.0	−41 700
001002	46 464	13 914	0	4 146	1 290	2 856	5 436	27.47	8.55	18.9	−2 580
001003	56 048	20 099	0	405	1 232	−827	1 637	2.13	6.47	−4.3	−2 464
001004	15 577	4 869	0	1 873	445	1 428	2 318	36.64	8.71	27.9	−890
001005	120 405	51 020	0	1 304	1 606	−302	2 910	3.04	3.75	−0.7	−3 212
001006	46 473	16 904	0	6 811	2 037	4 774	8 848	42.99	12.86	30.1	−4 074
001007	53 866	17 891	0	5 235	2 380	2 855	7 615	29.18	13.27	15.9	−4 760
001008	8 896	2 994	0	695	219	476	914	23.38	7.37	16.0	−438
001009	20 926	6 446	0	2 463	731	1 732	3 194	35.99	10.68	25.3	−1 462
001010	20 245	6 276	0	2 164	519	1 645	2 683	32.64	7.83	24.8	−1 038
001011	46 454	17 729	0	796	6 043	−5 247	6 839	4.96	37.66	−32.7	−12 086
002001	486 639	210 634	0	1 067	1 474	−407	2 541	0.61	0.85	−0.2	−2 948
002002	988 417	429 396	0	2 215	4 062	−1 847	6 277	0.62	1.15	−0.5	−8 124
002003	102 406	42 851	0	1 207	1 832	−625	3 039	3.32	5.04	−1.7	−3 664
002004	1 641 570	741 226	0	3 397	3 961	−564	7 358	0.57	0.66	−0.1	−7 922
002005	96 734	39 695	0	334	142	192	476	0.98	0.42	0.6	−284
003001	72 564	29 698	0	290	180	110	470	1.13	0.70	0.4	−360
003002	60 171	25 292	0	96	491	−395	587	0.45	2.30	−1.8	−982
003003	272 711	125 680	0	1 473	1 409	64	2 882	1.48	1.41	0.1	−2 818
003008	287 671	137 887	0	804	2 024	−1 220	2 828	0.76	1.90	−1.1	−4 048
Fuente: Estimaciones del CONAPO.

Movilidad metropolitana

Se utiliza la paquetería survey para poder trabajar con la muestra del cuestionario ampliado, en la cual se selecciona a la población de 15 años y más.

options(survey.lonely.psu = "adjust")

MC <- mydata %>%
      select(CVE_ENT, NOM_ENT, MUN, CVE_MUN, NOM_MUN, ENT_PAIS_TRAB, MUN_TRAB, CVE_MUN_TRABAJO, 
              EDAD, CONACT, CVE_ZM, NOM_ZM, CVE_ZM_TRABAJO, ZM_TRABAJO, FACTOR, ESTRATO, UPM) %>%
        # Se genera una indicadora de zm 
        mutate(I_ZM_2020 = ifelse(is.na(.$CVE_ZM), '0', '1'),
               I_TRAB_ZM_2020 = ifelse(is.na(.$CVE_ZM_TRABAJO), '0', '1')) %>%
        # Se clasifican a los migrantes internos 
        mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_TRABAJO ~ 'Pertenecen a la Zona Metropolitana', #Trabajan en el mismo municipio
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM == .$CVE_ZM_TRABAJO ~ "Pertenecen a la Zona Metropolitana", #Trabajan en otro municipio dentro de la misma zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM != .$CVE_ZM_TRABAJO ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio pero de otra zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio que no pertenece a la zona metropolitana pero viven en una ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Entran a trabajar a la zona metropolitana pero no pertecen a la ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Trabajan en otro municipio que no es ZM y no residen en una ZM
                                )) %>%
         filter((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
          filter(CVE_MUN_TRABAJO %in% municipios) %>%
           svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)

saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_metropolitana_Base 2020.RDS"))

Matrices

Se genera una matriz cruzada del lugar de residencia a nivel municipal, utilizando la función svytable de la paquetería survey.

MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_metropolitana_Base 2020.RDS"))

Migrantes <- svytable(~CVE_ZM_TRABAJO + CVE_ZM, design = MC)

Se genera la matriz cuadrada y se le asignan las etiquetas de municipios.

Migrantes <- Migrantes %>%
              as.data.frame() %>%
               expss::cross_cases(CVE_ZM, CVE_ZM_TRABAJO, weight = Freq) %>%
                as.data.frame() %>%
                 rename("CVE_ZM" = "row_labels") %>% 
                  arrange(CVE_ZM) %>%
                   slice(-1) 
            
rownames <- Migrantes %>% 
             mutate(CVE_ZM = substr(.$CVE_ZM, 8, 12)) %>% 
              pull(CVE_ZM)

colnames <- names(Migrantes) %>% 
             as.data.frame() %>% 
              slice(-1) %>% 
               rename("CVE_ZM" = ".") %>%
                mutate(`CVE_ZM` = substr(.$CVE_ZM, 16, 20)) %>%
                 pull(CVE_ZM)

# Se elimina la variable CVE_ZM
Migrantes <- Migrantes %>%
              select(-CVE_ZM)

rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames

saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de Movilidad laboral a nivel metropolitano 2015_Base 2020.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de Movilidad laboral a nivel metropolitano 2015_Base 2020.RData"))

require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Metropolitano")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_ZM"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de Movilidad laboral a nivel metropolitano 2015_Base 2020.xlsx"), overwrite = TRUE)

Matriz de Movilidad laboral a nivel municipal, 2015

Matriz de Movilidad laboral por zonas metropolitanas
Zonas metropolitanas
CVE_ZM	01.01	02.01	02.02	02.03	03.01	03.02	04.01	05.01	05.02	05.03	05.04	05.05	06.01	06.02	07.01	07.02	08.01	08.02	08.03	08.04	09.01	10.01	11.01	11.02	11.03	11.04	11.06	11.07	12.01
01.01	419522	0	0	78	0	51	0	22	0	3	30	0	50	0	0	0	94	0	0	11	243	91	148	119	420	0	140	18	1
02.01	0	200010	146	507	0	53	2	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	9
02.02	0	107	392362	329	0	29	0	67	0	0	0	0	0	0	0	0	0	0	0	0	50	0	0	40	24	0	0	0	0
02.03	0	709	293	702842	51	42	19	16	0	0	0	0	0	0	0	0	86	0	0	31	92	0	0	0	0	0	5	0	0
03.01	0	15	0	33	119392	753	0	0	0	0	0	0	0	0	0	0	0	0	0	0	3	0	0	12	0	0	0	0	0
03.02	13	0	0	0	472	132246	0	0	0	0	0	0	3	0	0	0	6	0	0	0	8	0	0	10	0	0	0	0	0
04.01	0	0	0	0	0	0	117769	0	0	0	0	0	0	0	0	0	0	0	0	0	67	0	0	0	0	0	0	0	0
05.01	63	0	72	0	10	1	0	457597	149	94	717	0	11	0	0	0	574	9	58	184	18	2312	5	0	0	0	0	0	0
05.02	0	0	8	0	0	0	0	30	133427	108	272	98	0	0	0	0	21	0	0	0	21	0	0	2	0	0	0	0	0
05.03	6	0	0	0	0	0	0	17	30	69861	54	95	0	0	0	0	5	0	0	0	3	0	4	3	3	0	0	0	2
05.04	31	0	9	0	0	0	0	361	131	67	364573	38	6	0	0	0	17	0	0	0	0	17	0	7	18	0	0	0	0
05.05	0	0	0	4	0	0	0	14	117	195	60	37269	0	0	0	0	0	0	0	0	0	5	0	0	0	0	0	0	0
06.01	21	0	0	24	0	3	0	13	0	7	6	0	130293	2312	0	0	15	0	0	7	93	0	21	21	30	0	19	0	7
06.02	3	0	0	0	0	0	0	0	0	0	0	0	614	56962	0	0	0	0	0	3	16	0	0	0	0	0	0	0	0
07.01	0	0	0	1	0	0	0	0	0	0	0	0	23	0	140463	242	0	0	0	0	25	0	0	0	0	0	0	0	0
07.02	0	0	0	98	3	0	10	0	0	19	0	0	0	0	534	314829	0	0	0	7	39	4	0	0	0	0	26	0	7
08.01	33	39	3	31	0	0	0	79	25	0	31	0	0	0	0	0	383456	364	145	352	29	71	0	0	5	0	0	0	0
08.02	0	0	3	0	0	0	0	43	0	0	0	0	0	0	0	0	1979	77311	43	60	4	11	0	70	0	0	0	0	0
08.03	0	0	0	0	2	0	0	14	0	0	4	0	0	0	0	0	199	14	40492	16	0	75	0	0	0	0	0	0	0
08.04	0	0	0	2	0	0	0	82	0	0	0	0	0	0	23	0	150	0	30	557345	0	38	0	0	0	0	0	0	0
09.01	389	35	142	584	43	149	606	139	17	18	120	0	102	0	112	58	281	61	0	138	7943129	184	548	768	840	37	284	99	529
10.01	25	0	2	4	0	0	0	363	0	0	0	0	20	0	0	1	131	0	47	29	24	248739	0	0	0	0	0	0	8
11.01	8	0	0	0	0	0	4	10	0	0	0	0	0	0	0	0	45	0	0	0	678	0	241581	86	331	10	858	210	0
11.02	20	0	136	0	16	0	0	0	0	0	0	0	0	0	0	0	0	0	0	13	11	43	54	58279	1921	22	937	5787	0
11.03	129	0	11	12	0	0	10	27	0	3	11	0	0	0	0	0	15	0	0	0	222	2	259	1373	749749	0	669	4329	21
11.04	0	0	0	0	0	0	0	0	0	0	0	0	6	2	0	0	0	0	0	0	0	0	84	136	32	48617	33	0	0
11.06	21	0	0	3	0	0	0	0	0	0	7	0	0	0	0	0	3	0	0	0	123	0	558	944	1065	25	194926	8382	0
11.07	0	0	34	0	0	0	0	7	0	0	3	0	0	0	0	0	8	0	0	0	4	0	160	1396	7185	3	817	75021	0
12.01	0	0	2	15	18	7	17	0	47	0	0	0	26	0	0	0	0	0	0	6	50	0	0	19	0	0	0	0	309401
12.02	0	0	3	0	0	8	0	0	0	0	0	0	7	0	0	0	0	0	0	0	78	0	0	6	0	0	0	0	409
Fuente: Estimaciones del CONAPO.

Indicadores

Se realizan cálculos generales de migración:

• Residentes

• Inmigrantes

• Emigrantes

• % Inmigrantes

• % Emigrante

• Migración bruta

• Migración Neta

• % Tasa de migración bruta

• % Tasa de migración neta

Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora.

################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
              as.data.frame() %>%
               group_by(CVE_ZM) %>%
                summarise(Pob.Total = sum(FACTOR)) 

################################################################################
###################### Población ocupada #######################################
Pob.ocupada <- mydata %>%
                as.data.frame() %>%
                 mutate(EDAD = as.numeric(.$EDAD)) %>%
                  subset((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
                   group_by(CVE_ZM) %>%
                    summarise(Pob.ocupada = sum(FACTOR)) 

################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel municipal 2015_Base 2020.RData"))

ZM <- lapply(1:length(zm), function(x){
                 ZM_2020 %>% 
                  select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
                   filter(CVE_ZM %in% zm[x])  %>% 
                    pull(CVE_MUN)
})

Residentes <- lapply(1:length(zm), function(x){
                                     Migrantes %>% 
                                      as.data.frame() %>%
                                       tibble::rownames_to_column(var = "CVE_MUN") %>%
                                        melt(., id.vars =  "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                                         mutate_at(vars(3), as.numeric) %>%
                                          filter(CVE_MUN == CVE_MUN_TRABAJO)  %>%
                                           filter(CVE_MUN %in% ZM[[x]]) %>%
                                            summarize(Residentes =  sum(value, na.rm = TRUE)) %>% 
                                             mutate(CVE_ZM = !!paste0(zm[x])) 
})

Residentes <- do.call(rbind.data.frame, Residentes)

################################################################################
############################### Inmigrantes ####################################

## Población que sale de su entidad de residencia y entra a otra demarcación por motivos de trabajo
Inmigrantes <- lapply(1:length(zm), function(x){
                                     Migrantes %>% 
                                      as.data.frame() %>%
                                       tibble::rownames_to_column(var = "CVE_MUN") %>%
                                        melt(., id.vars =  "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                                         mutate_at(vars(3), as.numeric) %>%
                                          filter(CVE_MUN != CVE_MUN_TRABAJO)  %>%
                                           filter(CVE_MUN %in% ZM[[x]]) %>%
                                            summarize(Inmigrantes =  sum(value, na.rm = TRUE)) %>% 
                                             mutate(CVE_ZM = !!paste0(zm[x])) 
})

Inmigrantes <- do.call(rbind.data.frame, Inmigrantes)

################################################################################
############################### Emigrantes #####################################

## Población que entra a la entidad para trabajar
Emigrantes <- lapply(1:length(zm), function(x){
                                     Migrantes %>% 
                                      t() %>%
                                       as.data.frame() %>%
                                        tibble::rownames_to_column(var = "CVE_MUN") %>%
                                         melt(., id.vars =  "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                                          mutate_at(vars(3), as.numeric) %>%
                                           filter(CVE_MUN != CVE_MUN_TRABAJO)  %>%
                                           filter(CVE_MUN %in% ZM[[x]]) %>%
                                            summarize(Emigrantes =  sum(value, na.rm = TRUE)) %>% 
                                             mutate(CVE_ZM = !!paste0(zm[x])) 
})

Emigrantes <- do.call(rbind.data.frame, Emigrantes)

tabla <- Pob.Total %>%
          left_join(., Pob.ocupada, by = c("CVE_ZM")) %>%
          left_join(., Residentes, by = c("CVE_ZM")) %>%
          left_join(., Inmigrantes, by = c("CVE_ZM")) %>%
          left_join(., Emigrantes, by = c("CVE_ZM")) %>%
           mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
                  Mig.Bruta = .$Inmigrantes + .$Emigrantes, 
                  Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Mig = Tasa.Inmig - Tasa.Emig, 
                  Eficacia = Mig.Neta - Mig.Bruta)

write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Metropolitano) 2015_Base 2020.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Metropolitano) 2015_Base 2020.RData"))

Indicadores de movilidad laboral (Nivel metropolitano)
Zonas Metropolitanas
CVE_ZM	Pob.Total	Pob.ocupada	Residentes	Inmigrantes	Emigrantes	Mig.Neta	Mig.Bruta	Tasa.Inmig	Tasa.Emig	Tasa.Mig	Eficacia
01.01	1 044 049	451 299	388 857	40 909	59 164	−18 255	100 073	10.94	15.83	−4.9	−118 328
02.01	486 639	210 634	200 010	1 067	1 474	−407	2 541	0.61	0.85	−0.2	−2 948
02.02	988 417	429 396	392 362	2 215	4 062	−1 847	6 277	0.62	1.15	−0.5	−8 124
02.03	1 738 304	780 921	695 231	11 342	11 714	−372	23 056	1.80	1.86	−0.1	−23 428
03.01	272 711	125 680	119 392	1 473	1 409	64	2 882	1.48	1.41	0.1	−2 818
03.02	287 671	137 887	132 246	804	2 024	−1 220	2 828	0.76	1.90	−1.1	−4 048
04.01	283 025	125 606	117 769	3 932	11 207	−7 275	15 139	3.85	10.97	−7.1	−22 414
05.01	1 283 835	505 163	400 662	66 776	68 763	−1 987	135 539	14.93	15.37	−0.4	−137 526
05.02	363 753	141 444	112 997	22 016	23 891	−1 875	45 907	17.43	18.92	−1.5	−47 782
05.03	194 293	76 295	66 827	3 899	8 332	−4 433	12 231	5.76	12.32	−6.6	−16 664
05.04	923 636	388 114	308 715	61 506	62 480	−974	123 986	18.76	19.05	−0.3	−124 960
05.05	106 754	41 053	34 282	4 607	6 834	−2 227	11 441	12.47	18.49	−6.0	−13 668
06.01	308 996	146 192	98 430	40 585	40 173	412	80 758	35.66	35.30	0.4	−80 346
06.02	152 790	64 070	55 987	4 122	3 791	331	7 913	7.60	6.99	0.6	−7 582
07.01	395 722	152 937	136 868	7 309	10 188	−2 879	17 497	5.33	7.43	−2.1	−20 376
07.02	814 436	344 137	287 753	40 102	40 987	−885	81 089	13.85	14.15	−0.3	−81 974
08.01	918 339	407 096	376 025	11 369	14 436	−3 067	25 805	3.43	4.36	−0.9	−28 872
08.02	209 693	85 115	70 989	10 067	8 289	1 778	18 356	13.66	11.25	2.4	−16 578
08.03	114 596	45 508	40 044	2 527	2 122	405	4 649	6.31	5.30	1.0	−4 244
08.04	1 391 180	597 127	557 345	924	2 589	−1 665	3 513	0.19	0.52	−0.3	−5 178
Fuente: Estimaciones del CONAPO.

Migración intrametropolitana

Se utiliza la paquetería survey para poder trabajar con la muestra del cuestionario ampliado, en la cual se selecciona a la población de 15 años y más.

options(survey.lonely.psu = "adjust")

MC <- mydata %>%
      select(CVE_ENT, NOM_ENT, MUN, CVE_MUN, NOM_MUN, ENT_PAIS_TRAB, MUN_TRAB, CVE_MUN_TRABAJO, 
              EDAD, CONACT, CVE_ZM, NOM_ZM, CVE_ZM_TRABAJO, ZM_TRABAJO, FACTOR, ESTRATO, UPM) %>%
        # Se genera una indicadora de zm 
        mutate(I_ZM_2020 = ifelse(is.na(.$CVE_ZM), '0', '1'),
               I_TRAB_ZM_2020 = ifelse(is.na(.$CVE_ZM_TRABAJO), '0', '1')) %>%
        # Se clasifican a los migrantes internos 
        mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_TRABAJO ~ 'Pertenecen a la Zona Metropolitana', #Trabajan en el mismo municipio
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM == .$CVE_ZM_TRABAJO ~ "Pertenecen a la Zona Metropolitana", #Trabajan en otro municipio dentro de la misma zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM != .$CVE_ZM_TRABAJO ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio pero de otra zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio que no pertenece a la zona metropolitana pero viven en una ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Entran a trabajar a la zona metropolitana pero no pertecen a la ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Trabajan en otro municipio que no es ZM y no residen en una ZM
                                )) %>%
         filter((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
          filter(CVE_MUN_TRABAJO %in% municipios & .$I_ZM %in% "Pertenecen a la Zona Metropolitana") %>%
           svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)

saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_intrametropolitana_Base 2020.RDS"))

Indicadores

Se realizan cálculos generales de migración:

• Residentes

• Inmigrantes

• Emigrantes

• % Inmigrantes

• % Emigrante

• Migración bruta

• Migración Neta

• % Tasa de migración bruta

• % Tasa de migración neta

Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora.

################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
              as.data.frame() %>%
               group_by(CVE_ZM) %>%
                summarise(Pob.Total = sum(FACTOR)) 

################################################################################
###################### Población ocupada #######################################
Pob.ocupada <- mydata %>%
                as.data.frame() %>%
                 mutate(EDAD = as.numeric(.$EDAD)) %>%
                  subset((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
                   group_by(CVE_ZM) %>%
                    summarise(Pob.ocupada = sum(FACTOR))  

################################################################################
########################### Residentes #########################################
MR <- readRDS(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matrices de Mtrab a nivel intramunicipal por ZM2015_Base 2020.RDS"))

Residentes <- lapply(1:length(zm), function(x){
                                     MR[[x]] %>% 
                                      as.data.frame() %>%
                                       melt(., id.vars =  "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                                        mutate_at(vars(3), as.numeric) %>%
                                         filter(CVE_MUN == CVE_MUN_TRABAJO)  %>%
                                          summarize(Residentes =  sum(value, na.rm = TRUE)) %>% 
                                           mutate(CVE_ZM = !!paste0(zm[x])) 
})

Residentes <- do.call(rbind.data.frame, Residentes)

################################################################################
############################### Inmigrantes ####################################

## Población que sale de su entidad de residencia y entra a otra demarcación por motivos de trabajo
Inmigrantes <- lapply(1:length(zm), function(x){
                                      MR[[x]] %>% 
                                       as.data.frame() %>%
                                        melt(., id.vars =  "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                                         mutate_at(vars(3), as.numeric) %>%
                                          filter(CVE_MUN != CVE_MUN_TRABAJO)  %>%
                                           summarize(Inmigrantes =  sum(value, na.rm = TRUE)) %>% 
                                            mutate(CVE_ZM = !!paste0(zm[x])) 
})

Inmigrantes <- do.call(rbind.data.frame, Inmigrantes)

################################################################################
############################### Emigrantes #####################################

## Población que entra a la entidad para trabajar
Emigrantes <- lapply(1:length(zm), function(x){
                                    MR[[x]] %>% 
                                     tibble::column_to_rownames(var = "CVE_MUN") %>%
                                      t() %>%
                                       as.data.frame() %>%
                                        tibble::rownames_to_column(var = "CVE_MUN") %>%
                                         melt(., id.vars =  "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                                          mutate_at(vars(3), as.numeric) %>%
                                           filter(CVE_MUN != CVE_MUN_TRABAJO)  %>%
                                            summarize(Emigrantes=  sum(value, na.rm = TRUE)) %>% 
                                             mutate(CVE_ZM = !!paste0(zm[x])) 
})

Emigrantes <- do.call(rbind.data.frame, Emigrantes)

tabla <- Pob.Total %>%
          left_join(., Pob.ocupada, by = c("CVE_ZM")) %>%
          left_join(., Residentes, by = c("CVE_ZM")) %>%
          left_join(., Inmigrantes, by = c("CVE_ZM")) %>%
          left_join(., Emigrantes, by = c("CVE_ZM")) %>%
           mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
                  Mig.Bruta = .$Inmigrantes + .$Emigrantes, 
                  Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Mig = Tasa.Inmig - Tasa.Emig, 
                  Eficacia = Mig.Neta - Mig.Bruta)

write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Intrametropolitano) 2015_Base 2020.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Intrametropolitano) 2015_Base 2020.RData"))

Indicadores de movilidad laboral (Nivel intrametropolitano)
Zonas Metropolitanas
CVE_ZM	Pob.Total	Pob.ocupada	Residentes	Inmigrantes	Emigrantes	Mig.Neta	Mig.Bruta	Tasa.Inmig	Tasa.Emig	Tasa.Mig	Eficacia
01.01	1 044 049	451 299	388 857	30 665	30 665	0	61 330	8.2	8.2	0.0	−61 330
02.01	486 639	210 634	200 010	0	0	0	0	0.0	0.0	0.0	0
02.02	988 417	429 396	392 362	0	0	0	0	0.0	0.0	0.0	0
02.03	1 738 304	780 921	695 231	7 611	7 611	0	15 222	1.2	1.2	0.0	−15 222
03.01	272 711	125 680	119 392	0	0	0	0	0.0	0.0	0.0	0
03.02	287 671	137 887	132 246	0	0	0	0	0.0	0.0	0.0	0
04.01	283 025	125 606	117 769	0	0	0	0	0.0	0.0	0.0	0
05.01	1 283 835	505 163	400 662	56 935	56 935	0	113 870	12.7	12.7	0.0	−113 870
05.02	363 753	141 444	112 997	20 430	20 430	0	40 860	16.2	16.2	0.0	−40 860
05.03	194 293	76 295	66 827	3 034	3 034	0	6 068	4.5	4.5	0.0	−6 068
05.04	923 636	388 114	308 715	55 858	55 858	0	111 716	17.0	17.0	0.0	−111 716
05.05	106 754	41 053	34 282	2 987	2 987	0	5 974	8.1	8.1	0.0	−5 974
06.01	308 996	146 192	98 430	31 863	31 863	0	63 726	28.0	28.0	0.0	−63 726
06.02	152 790	64 070	55 987	975	975	0	1 950	1.8	1.8	0.0	−1 950
07.01	395 722	152 937	136 868	3 595	3 595	0	7 190	2.6	2.6	0.0	−7 190
07.02	814 436	344 137	287 753	27 076	27 076	0	54 152	9.3	9.3	0.0	−54 152
08.01	918 339	407 096	376 025	7 431	7 431	0	14 862	2.2	2.2	0.0	−14 862
08.02	209 693	85 115	70 989	6 322	6 322	0	12 644	8.6	8.6	0.0	−12 644
08.03	114 596	45 508	40 044	448	448	0	896	1.1	1.1	0.0	−896
08.04	1 391 180	597 127	557 345	0	0	0	0	0.0	0.0	0.0	0
Fuente: Estimaciones del CONAPO.

Migración intermetropolitana

Se utiliza la paquetería survey para poder trabajar con la muestra del cuestionario ampliado, en la cual se selecciona a la población de 15 años y más.

options(survey.lonely.psu = "adjust")

MC <- mydata %>%
      select(CVE_ENT, NOM_ENT, MUN, CVE_MUN, NOM_MUN, ENT_PAIS_TRAB, MUN_TRAB, CVE_MUN_TRABAJO, 
              EDAD, CONACT, CVE_ZM, NOM_ZM, CVE_ZM_TRABAJO, ZM_TRABAJO, FACTOR, ESTRATO, UPM) %>%
        # Se genera una indicadora de zm 
        mutate(I_ZM_2020 = ifelse(is.na(.$CVE_ZM), '0', '1'),
               I_TRAB_ZM_2020 = ifelse(is.na(.$CVE_ZM_TRABAJO), '0', '1')) %>%
        # Se clasifican a los migrantes internos 
        mutate(I_ZM = case_when(.$CVE_MUN == .$CVE_MUN_TRABAJO ~ 'Pertenecen a la Zona Metropolitana', #Trabajan en el mismo municipio
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM == .$CVE_ZM_TRABAJO ~ "Pertenecen a la Zona Metropolitana", #Trabajan en otro municipio dentro de la misma zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '1' & .$CVE_ZM != .$CVE_ZM_TRABAJO ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio pero de otra zona metropolitana
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '1' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana', #Trabajan en otro municipio que no pertenece a la zona metropolitana pero viven en una ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '1' ~ 'No pertenecen a la Zona Metropolitana', #Entran a trabajar a la zona metropolitana pero no pertecen a la ZM
                                .$CVE_MUN != .$CVE_MUN_TRABAJO & .$I_ZM_2020 %in% '0' & .$I_TRAB_ZM_2020 %in% '0' ~ 'No pertenecen a la Zona Metropolitana' #Trabajan en otro municipio que no es ZM y no residen en una ZM
                                )) %>%
         filter((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
          filter(CVE_MUN_TRABAJO %in% municipios & .$I_ZM %in% "No pertenecen a la Zona Metropolitana") %>%
           svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)

saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/MC_intermetropolitana_Base 2020.RDS"))

Indicadores

Se realizan cálculos generales de migración:

• Residentes

• Inmigrantes

• Emigrantes

• % Inmigrantes

• % Emigrante

• Migración bruta

• Migración Neta

• % Tasa de migración bruta

• % Tasa de migración neta

Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora.

################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
              as.data.frame() %>%
               group_by(CVE_ZM) %>%
                summarise(Pob.Total = sum(FACTOR)) 

################################################################################
###################### Población ocupada #######################################
Pob.ocupada <- mydata %>%
                as.data.frame() %>%
                 mutate(EDAD = as.numeric(.$EDAD)) %>%
                  subset((EDAD >= 15 & EDAD <= 130) & (CONACT >= 10 & CONACT <= 20)) %>%
                   group_by(CVE_ZM) %>%
                    summarise(Pob.ocupada = sum(FACTOR)) 

################################################################################
########################### Residentes #########################################
load(paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Matriz de movilidad laboral a nivel intermunicipal 2015_Base 2020.RData"))

ZM <- lapply(1:length(zm), function(x){
                    ZM_2020 %>% 
                     select(CVE_ZM, CVE_MUN, NOM_MUN) %>%
                      filter(CVE_ZM %in% zm[x])  %>% 
                      pull(CVE_MUN)
})

Residentes <- lapply(1:length(zm), function(x){
                                     Migrantes %>% 
                                      as.data.frame() %>%
                                       tibble::rownames_to_column(var = "CVE_MUN") %>%
                                        melt(., id.vars =  "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                                         mutate_at(vars(3), as.numeric) %>%
                                          filter(CVE_MUN == CVE_MUN_TRABAJO)  %>%
                                           filter(CVE_MUN %in% ZM[[x]]) %>%
                                            summarize(Residentes =  sum(value, na.rm = TRUE)) %>% 
                                             mutate(CVE_ZM = !!paste0(zm[x])) 
})

Residentes <- do.call(rbind.data.frame, Residentes)

################################################################################
############################### Inmigrantes ####################################

## Población que sale de su entidad de residencia y entra a otra demarcación por motivos de trabajo
Inmigrantes <- lapply(1:length(zm), function(x){
                                     Migrantes %>% 
                                      as.data.frame() %>%
                                       tibble::rownames_to_column(var = "CVE_MUN") %>%
                                        melt(., id.vars =  "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                                         mutate_at(vars(3), as.numeric) %>%
                                          filter(CVE_MUN != CVE_MUN_TRABAJO)  %>%
                                           filter(CVE_MUN %in% ZM[[x]]) %>%
                                            summarize(Inmigrantes =  sum(value, na.rm = TRUE)) %>% 
                                             mutate(CVE_ZM = !!paste0(zm[x])) 
})

Inmigrantes <- do.call(rbind.data.frame, Inmigrantes)

################################################################################
############################### Emigrantes #####################################

## Población que entra a la entidad para trabajar
Emigrantes <- lapply(1:length(zm), function(x){
                                     Migrantes %>% 
                                      t() %>%
                                       as.data.frame() %>%
                                        tibble::rownames_to_column(var = "CVE_MUN") %>%
                                         melt(., id.vars =  "CVE_MUN", variable.name = "CVE_MUN_TRABAJO") %>%
                                          mutate_at(vars(3), as.numeric) %>%
                                           filter(CVE_MUN != CVE_MUN_TRABAJO)  %>%
                                           filter(CVE_MUN %in% ZM[[x]]) %>%
                                            summarize(Emigrantes =  sum(value, na.rm = TRUE)) %>% 
                                             mutate(CVE_ZM = !!paste0(zm[x])) 
})

Emigrantes <- do.call(rbind.data.frame, Emigrantes)

tabla <- Pob.Total %>%
          left_join(., Pob.ocupada, by = c("CVE_ZM")) %>%
          left_join(., Residentes, by = c("CVE_ZM")) %>%
          left_join(., Inmigrantes, by = c("CVE_ZM")) %>%
          left_join(., Emigrantes, by = c("CVE_ZM")) %>%
           mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
                  Mig.Bruta = .$Inmigrantes + .$Emigrantes, 
                  Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.ocupada) / 2)) * 1000,
                  Tasa.Mig = Tasa.Inmig - Tasa.Emig, 
                  Eficacia = Mig.Neta - Mig.Bruta)

write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Intermetropolitano) 2015_Base 2020.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/06_Zonas Metropolitanas/2015/03_Movilidad laboral/Base 2020/Indicadores de MTrab por ZM 2015 (Intermetropolitano) 2015_Base 2020.RData"))

Indicadores de movilidad laboral (Nivel intermetropolitano)
Zonas Metropolitanas
CVE_ZM	Pob.Total	Pob.ocupada	Residentes	Inmigrantes	Emigrantes	Mig.Neta	Mig.Bruta	Tasa.Inmig	Tasa.Emig	Tasa.Mig	Eficacia
01.01	1 044 049	451 299	0	10 244	28 499	−18 255	38 743	2.74	7.62	−4.9	−56 998
02.01	486 639	210 634	0	1 067	1 474	−407	2 541	0.61	0.85	−0.2	−2 948
02.02	988 417	429 396	0	2 215	4 062	−1 847	6 277	0.62	1.15	−0.5	−8 124
02.03	1 738 304	780 921	0	3 731	4 103	−372	7 834	0.59	0.65	−0.1	−8 206
03.01	272 711	125 680	0	1 473	1 409	64	2 882	1.48	1.41	0.1	−2 818
03.02	287 671	137 887	0	804	2 024	−1 220	2 828	0.76	1.90	−1.1	−4 048
04.01	283 025	125 606	0	3 932	11 207	−7 275	15 139	3.85	10.97	−7.1	−22 414
05.01	1 283 835	505 163	0	9 841	11 828	−1 987	21 669	2.20	2.64	−0.4	−23 656
05.02	363 753	141 444	0	1 586	3 461	−1 875	5 047	1.26	2.74	−1.5	−6 922
05.03	194 293	76 295	0	865	5 298	−4 433	6 163	1.28	7.83	−6.6	−10 596
05.04	923 636	388 114	0	5 648	6 622	−974	12 270	1.72	2.02	−0.3	−13 244
05.05	106 754	41 053	0	1 620	3 847	−2 227	5 467	4.38	10.41	−6.0	−7 694
06.01	308 996	146 192	0	8 722	8 310	412	17 032	7.66	7.30	0.4	−16 620
06.02	152 790	64 070	0	3 147	2 816	331	5 963	5.80	5.19	0.6	−5 632
07.01	395 722	152 937	0	3 714	6 593	−2 879	10 307	2.71	4.81	−2.1	−13 186
07.02	814 436	344 137	0	13 026	13 911	−885	26 937	4.50	4.80	−0.3	−27 822
08.01	918 339	407 096	0	3 938	7 005	−3 067	10 943	1.19	2.11	−0.9	−14 010
08.02	209 693	85 115	0	3 745	1 967	1 778	5 712	5.08	2.67	2.4	−3 934
08.03	114 596	45 508	0	2 079	1 674	405	3 753	5.19	4.18	1.0	−3 348
08.04	1 391 180	597 127	0	924	2 589	−1 665	3 513	0.19	0.52	−0.3	−5 178
Fuente: Estimaciones del CONAPO.

Referencias

Librerias que se usaron en el documento

package	loadedversion	source
Cairo	1.6-1	CRAN (R 4.3.1)
chorddiag	0.1.3	Github (mattflor/chorddiag@1688d72cd93071abb373e054190363bdfb3af2af)
circlize	0.4.15	CRAN (R 4.3.1)
doMC	1.3.5	R-Forge (R 4.3.1)
dplyr	1.1.3	CRAN (R 4.3.2)
expss	0.11.6	CRAN (R 4.3.1)
foreach	1.5.2	CRAN (R 4.3.1)
ggalluvial	0.12.5	CRAN (R 4.3.1)
ggplot2	3.4.3	CRAN (R 4.3.1)
ggpubr	0.6.0	CRAN (R 4.3.1)
ggrepel	0.9.3	CRAN (R 4.3.1)
ggsankey	0.0.99999	Github (davidsjoberg/ggsankey@3e171a83a5364bb24df7cb2cd9203dd79b1dae29)
gt	0.10.0	CRAN (R 4.3.1)
haven	2.5.3	CRAN (R 4.3.1)
Hmisc	5.1-0	CRAN (R 4.3.1)
iterators	1.0.14	CRAN (R 4.3.1)
janitor	2.2.0	CRAN (R 4.3.1)
kableExtra	1.3.4	CRAN (R 4.3.1)
knitr	1.45	CRAN (R 4.3.2)
maditr	0.8.3	CRAN (R 4.3.1)
Matrix	1.6-1.1	CRAN (R 4.3.1)
network	1.18.1	CRAN (R 4.3.1)
openxlsx	4.2.5.2	CRAN (R 4.3.1)
reshape2	1.4.4	CRAN (R 4.3.1)
sjlabelled	1.2.0	CRAN (R 4.3.1)
sna	2.7-1	CRAN (R 4.3.1)
srvyr	1.2.0	CRAN (R 4.3.1)
statnet.common	4.9.0	CRAN (R 4.3.1)
stringr	1.5.0	CRAN (R 4.3.1)
survey	4.2	Github (bschneidr/fastsurvey@5e4df7bd6c4bac44fa9c6681db40c496dd701f45)
survival	3.5-5	CRAN (R 4.3.1)
tibble	3.2.1	CRAN (R 4.3.1)
tidyr	1.3.1	CRAN (R 4.3.3)

This work by Diana Villasana Ocampo is licensed under a Creative Commons Attribution 4.0 International License.